OpenAI自研AI芯片辣椒九个月完成流片
OpenAI首颗自研芯片Jalapeño专为大模型推理设计，仅用九个月完成流片，创下行业最快流片纪录。芯片采用AI参与设计，OpenAI完全主导架构，博通等合作实现。定位入门级，旨在降低推理成本、提升响应速度，并推动全栈AI布局。
就在刚刚，OpenAI掏出了史上第一颗自研芯片。
名字叫Jalapeño，墨西哥辣椒，专为大模型推理设计。
9个月前，白纸一张。
9个月后，工程样片不仅跑通了GPT-5.3-Codex-Spark，而且频率和功耗均已达到量产目标。
更离谱的是，这颗芯片是OpenAI用自己的AI帮着画的。
9个月，行业纪录碎了
Jalapeño，墨西哥辣椒里辣度最温和的品种之一。
OpenAI拿它给第一颗芯片命名，潜台词很可能是：这只是入门级，后面可能还有更辣的。
官方定位叫「Intelligence Processor」，一颗专为大模型推理设计的定制ASIC。
由OpenAI主导架构设计，Broadcom负责芯片实现和网络互联，Celestica做板卡和机架集成。
通常来说，先进半导体行业，设计一颗高性能ASIC要18到24个月。Google TPU两年一代，Amazon Trainium差不多也是这个的节奏。
而OpenAI只用了9个月，一举刷新了先进半导体领域最快的ASIC开发周期。
这颗芯片从第一根线开始就只为一件事优化：LLM推理。
而且，Jalapeño不只跑OpenAI自家模型，架构上兼容全行业的LLM。
AI帮自己画了电路图
比性能更值得关注的，是这颗芯片怎么被造出来的。
OpenAI自家AI模型参与了这颗芯片的设计和优化。
也就是说——AI设计了一颗芯片，芯片反过来跑AI，跑在上面的更强AI会设计下一代更强的芯片。
AI，帮自己造了一副新身体。
AI设计芯片不新鲜。Google 2021年在Nature发论文，用强化学习做芯片布局，速度比人类快几个数量级。
此后AlphaChip连续优化了三代TPU布局方案。
OpenAI硬件团队的掌门人Richard Ho，正是从这个圈子里走出来的。
Google近九年，TPU高级工程总监，参与发明了ML设计芯片架构的方法，多个TPU项目首次流片即成功。
之后去了光子计算公司Lightmatter当高级副总裁，更早联合创办过EDA公司0-In Design Automation。学术界、芯片设计、AI硬件，整条路走了一遍。
OpenAI挖他来，大概率就是为了一件事：把「AI辅助芯片设计」嫁接到自家模型上。
芯片设计最磨人的不是「想方案」，是无数次的设计—验证—改—再验证循环。一颗先进芯片的验证要跑成千上万次，占掉整个周期的大半时间。
AI恰恰擅长干这种事——读历史设计数据、生成RTL代码、辅助验证和debug、优化布局布线。
能实现9个月流片，靠的是AI替人扛掉了那「18到24个月」里最磨人的一大块。
用最会用锤子的人，来设计新锤子。用最懂LLM运行规律的模型，来设计专门跑LLM的硬件。
你的ChatGPT账单正在被重写
OpenAI每年算力支出百亿美元级别，这些钱最终要从用户身上赚回来——20美元月费、API调用、Plus和Pro订阅。
推理成本砍半，普通用户最先感受到的：响应变快。
现在ChatGPT高峰期排队、转圈、长对话变慢，本质都是算力不够分。
推理效率提升后，同等服务器能服务更多用户，体验有望改善。
其次：免费版能力放开。
现在很多功能锁在Plus里——深度研究、高级数据分析、完整版语音对话。
成本降了，这些功能下放给免费用户的可能性就大了。
而OpenAI需要的，正是让更多人用上ChatGPT，并且能用更久。
再往远看：20美元的月费可能还是20美元，但你拿到的东西完全不一样。
去年这个价格买到的是GPT-4o，明年同样的钱可能买到的是一个能跑完整工作流的agent。
月费没变，能力可能翻几番——推理成本下降带来的隐性降价。
但Jalapeño瞄准的不只是今天的ChatGPT。
Richard Ho的思路是：为模型要去的方向设计硬件，而不是为它现在的样子。
OpenAI内部能看到未来6到9个月模型的演进方向，芯片按这条管线往前造。
等agent真正跑起来，算力需求和今天的一问一答完全不是一个量级。
说白了，推理成本降下来，受益的不只是Pro用户。
学生、小企业、独立开发者，都可能用上今天只有大客户才跑得起的AI能力。
OpenAI要吃掉整条链
模型自己训，芯片自己设计，推理自己优化，部署自己控制。
换句话说，OpenAI要做全栈AI公司。
之前和Cerebras合作推理部署，OpenAI从中摸清了专用推理硬件的价值。现在自己下场做，把经验变成自己可控的平台。
Apple和Google都走过这条路。
但OpenAI的全栈多了一层：
用AI加速AI基础设施建设，再用更好的基础设施跑更强的AI。如果这个循环成立，飞轮会自己给自己加速。
首批GW级数据中心将和Microsoft等合作方从2026年底开始部署。
Jalapeño只是第一代，下一代叫什么还不知道。
但造它的，大概率不只是人了。
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：OpenAI自研AI芯片辣椒九个月完成流片要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点传统企业RAG项目最难的骨头是数据处理，包括数据整合、清洗和知识提取，沟通与技术成本极高。其次检索模块要求精细打磨分块策略、Embedding选择及混合检索，生成部分需控制上下文长度、防止幻觉并固定输出格式。
二零二五年五月，人工智能公司Anthropic发布Claude4系列（Opus4与Sonnet4），在SWE-bench编程测试中超越Gemini2 5Pro。其智能体基础设施四大改进：扩展思维与工具使用、记忆能力、指令遵循，奖励黑客行为减少百分之八十。Sonnet4成本仅为Opus4的五分之一，是日常编程首选模型。
SLAM技术主流采用传统特征提取方法，因其算力成本低、可在CPU实时运行，且多数场景下精度已满足需求。深度学习特征在长时定位、光照剧变等极端场景更具优势，但受限于GPU成本和泛化性，目前落地较少。两者将在不同场景中并行发展。
基于深度学习的边缘检测技术可在OpenCV中通过DNN模块实现，采用整体嵌套边缘检测（HED）模型，利用卷积神经网络融合多尺度特征，比经典Canny检测器更精确，需OpenCV3 4 3及以上版本，并正确配置blobFromImage参数与均值。
- 日榜
- 周榜
- 月榜
热点快看